論文の概要: Cracking Instance Jigsaw Puzzles: An Alternative to Multiple Instance Learning for Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2507.08178v1
• Date: Thu, 10 Jul 2025 21:19:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.180595
• Title: Cracking Instance Jigsaw Puzzles: An Alternative to Multiple Instance Learning for Whole Slide Image Analysis
• Title（参考訳）: ラックングインスタンス Jigsaw パズル:全スライド画像解析のための複数インスタンス学習の代替
• Authors: Xiwen Chen, Peijie Qiu, Wenhui Zhu, Hao Wang, Huayu Li, Xuanzhao Dong, Xiaotong Sun, Xiaobing Yu, Yalin Wang, Abolfazl Razi, Aristeidis Sotiras,
• Abstract要約: 我々は、置換不変ではないが、インスタンス間の空間的相関をよりよく捉えるアプローチは、より効果的な解を提供することができると論じる。 本稿では,WSI 分析のための既存の MIL の代替として,ランダムにシャッフルされた配列からインスタンスの順序を復元する学習法を提案する。 提案手法はWSI分類および生存予測タスクにおいて検証され,提案手法は近年の最先端のMIL競合よりも優れていた。
• 参考スコア（独自算出の注目度）: 11.86931003355426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While multiple instance learning (MIL) has shown to be a promising approach for histopathological whole slide image (WSI) analysis, its reliance on permutation invariance significantly limits its capacity to effectively uncover semantic correlations between instances within WSIs. Based on our empirical and theoretical investigations, we argue that approaches that are not permutation-invariant but better capture spatial correlations between instances can offer more effective solutions. In light of these findings, we propose a novel alternative to existing MIL for WSI analysis by learning to restore the order of instances from their randomly shuffled arrangement. We term this task as cracking an instance jigsaw puzzle problem, where semantic correlations between instances are uncovered. To tackle the instance jigsaw puzzles, we propose a novel Siamese network solution, which is theoretically justified by optimal transport theory. We validate the proposed method on WSI classification and survival prediction tasks, where the proposed method outperforms the recent state-of-the-art MIL competitors. The code is available at https://github.com/xiwenc1/MIL-JigsawPuzzles.
• Abstract（参考訳）: マルチ・インスタンス・ラーニング(MIL)は、病理組織学的全スライド画像(WSI)解析において有望なアプローチであることが示されているが、その置換不変性への依存は、WSI内のインスタンス間の意味的相関を効果的に解明する能力を大幅に制限している。 経験的および理論的研究に基づいて、置換不変ではないが、インスタンス間の空間的相関をよりよく捉えるアプローチは、より効果的な解を提供することができると論じる。 これらの知見を踏まえ, ランダムにシャッフルされた配列からインスタンスの順序を復元する学習により, 既存のMIL for WSI分析に代わる新しい手法を提案する。 我々は、このタスクを、インスタンス間の意味的相関が発見されるインスタンスジグソーパズル問題を解くものであると表現する。 ケースジグソーパズルに取り組むために、最適輸送理論により理論的に正当化された新しいシームズ・ネットワーク・ソリューションを提案する。 提案手法はWSI分類および生存予測タスクにおいて検証され,提案手法は近年の最先端のMIL競合よりも優れていた。 コードはhttps://github.com/xiwenc1/MIL-JigsawPuzzlesで公開されている。

関連論文リスト

• PTCMIL: Multiple Instance Learning via Prompt Token Clustering for Whole Slide Image Analysis [22.06174028063076]
  MIL(Multiple Instance Learning)は、WSI分析の進歩であるが、WSIの複雑さと不均一性に苦慮している。 MILアグリゲーションのための新しいPmpt Token ClusteringベースのViTであるPTCMILを提案する。 PTCMILはクラスタリングと予測タスクをエンドツーエンドで統合する。
  論文  参考訳（メタデータ） (2025-07-24T23:33:59Z)
• cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process [23.266122629592807]
  マルチプル・インスタンス・ラーニング (MIL) は全スライス・ヒストパラメトリック・イメージ (WSI) 解析に広く応用されている。 MILの既存の集約戦略は、主にインスタンス間の一階距離に依存するが、各インスタンスの真の特徴分布を正確に近似することができない。 本稿では、複数のインスタンス学習のための新しいベイズ非パラメトリックフレームワークを提案し、WSIのインスタンス・ツー・バッグ特性を組み込むためにディリクレ・プロセスのカスケード(cDP)を採用する。
  論文  参考訳（メタデータ） (2024-07-16T07:28:39Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Multi-Phase Relaxation Labeling for Square Jigsaw Puzzle Solving [73.58829980121767]
  本稿では,大域最適化に基づく二乗ジグソーパズルの解法を提案する。 この手法は完全に自動化されており、事前情報を前提とせず、未知または未知のピースオリエンテーションでパズルを扱うことができる。
  論文  参考訳（メタデータ） (2023-03-26T18:53:51Z)
• Deep Neural Networks with Efficient Guaranteed Invariances [77.99182201815763]
  我々は、性能改善の問題、特にディープニューラルネットワークのサンプル複雑性に対処する。 群同変畳み込みは同変表現を得るための一般的なアプローチである。 本稿では,各ストリームが異なる変換に不変なマルチストリームアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-03-02T20:44:45Z)
• Variational Inference: Posterior Threshold Improves Network Clustering Accuracy in Sparse Regimes [2.5782420501870296]
  本稿では,各反復後のコミュニティ割り当ての後部をハードしきい値にすることで,変分推論法を改善するための簡易な方法を提案する。 提案手法は,ネットワークの平均ノード次数が有界であっても,真のコミュニティラベルを収束させ,正確に復元可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-12T00:24:54Z)
• Interventional Multi-Instance Learning with Deconfounded Instance-Level Prediction [29.151629044965983]
  本稿では,インスタンスレベルの非定型予測を実現するために,新しい介入型マルチインスタンス学習(IMIL)フレームワークを提案する。 従来の可能性に基づく戦略とは異なり、因果介入に基づく期待最大化(EM)アルゴリズムを設計する。 IMIL法は, 偽陽性を著しく低減し, 最先端のMIL法より優れる。
  論文  参考訳（メタデータ） (2022-04-20T03:17:36Z)
• Improved Algorithms for Agnostic Pool-based Active Classification [20.12178157010804]
  プールに依存しない環境でのバイナリ分類のためのアクティブラーニングを検討する。 我々のアルゴリズムは、画像分類データセットにおけるアートアクティブな学習アルゴリズムの状況よりも優れている。
  論文  参考訳（メタデータ） (2021-05-13T18:24:30Z)
• Joint Contrastive Learning with Infinite Possibilities [114.45811348666898]
  本稿では,新しい確率論的モデリングによるコントラスト学習における最近の発展の有用性について考察する。 コントラスト学習(Joint Contrastive Learning, JCL)という,コントラスト学習の特定の形態を導出する。
  論文  参考訳（メタデータ） (2020-09-30T16:24:21Z)
• GACEM: Generalized Autoregressive Cross Entropy Method for Multi-Modal Black Box Constraint Satisfaction [69.94831587339539]
  本稿では,マスク付き自己回帰ニューラルネットワークを用いて解空間上の均一分布をモデル化するクロスエントロピー法(CEM)を提案する。 我々のアルゴリズムは複雑な解空間を表現でき、様々な異なる解領域を追跡できる。
  論文  参考訳（メタデータ） (2020-02-17T20:21:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。